{'Tom': {'Age': '12', 'Country': 'America'}}

今天主要给大家介绍下Pandas里面DataFrame的简单用法。DataFrame是二维的表格型数据结构，由一维数组Series组成，很多功能与R中的data.frame类似，如果你经常用R做数据分析，应该会对下面的内容感到熟悉。我觉得不论是学习Python还是其他的什么知识，最快理解的办法就是通过例子来学习，所以我还是用举例子的方法来进行下面的介绍。2DataFrame数据结构介绍

以经典的150行5列的鸢尾花数据集为例

数据为5列150行矩阵，5列中包含4个特征：

萼片长宽(SepalLength、SepalWidth)花瓣长宽(PetalLength、PetalWidth)以及最后一列花名Name(三种花 'Iris-setosa'，'Iris-versicolor'，'Iris-virginica')。

首先导入记录数据的csv文件。

import pandas as pd #导入模块pandasimport numpy as np #导入模块numpydata = pd.read_csv('iris.csv') #导入数据print(data.head()) #输出前五行，见下图

输出后五行

print(data.tail())     SepalLength  SepalWidth  PetalLength  PetalWidth            Name145          6.7         3.0          5.2         2.3  Iris-virginica146          6.3         2.5          5.0         1.9  Iris-virginica147          6.5         3.0          5.2         2.0  Iris-virginica148          6.2         3.4          5.4         2.3  Iris-virginica149          5.9         3.0          5.1         1.8  Iris-virginica

输出数据行列数、索引index、列名columns

print(data.shape)(150, 5)print(data.index)RangeIndex(start=0, stop=150, step=1)print(data.columns)Index(['SepalLength', 'SepalWidth', 'PetalLength', 'PetalWidth', 'Name'], dtype='object')

3简单操作统计数据某列中元素种类

data["Name"].unique()array(['Iris-setosa', 'Iris-versicolor', 'Iris-virginica'], dtype=object)

各种类计数：

data["Name"].value_counts()Iris-setosa        50Iris-virginica     50Iris-versicolor    50Name: Name, dtype: int64

数据转置

data.T

选择第一列

data["SepalLength"]#或者data.iloc[:,0]

选择第一行

data.iloc[1]

选择第三到五行，共三行数据：data.iloc[2:5]

   SepalLength  SepalWidth  PetalLength  PetalWidth         Name2          4.7         3.2          1.3         0.2  Iris-setosa3          4.6         3.1          1.5         0.2  Iris-setosa4          5.0         3.6          1.4         0.2  Iris-setosa

另外loc也可以选取数据，相比iloc只能用数字，loc还可以用字符。

data.loc[2:5,["PetalWidth","Name"]]   PetalWidth         Name2         0.2  Iris-setosa3         0.2  Iris-setosa4         0.2  Iris-setosa5         0.4  Iris-setosa

快速得到具体位置的值

data.at[100,"PetalLength"]6.0

删除列(对原数据进行增添操作时最好先用copy，避免报出warning)

data2=data.copy()data2.drop("Name",axis=1，inplace=True) #删除列data2.head()   SepalLength  SepalWidth  PetalLength  PetalWidth0          5.1         3.5          1.4         NaN1          4.9         3.0          1.4         0.22          4.7         3.2          1.3         0.23          4.6         3.1          1.5         0.24          5.0         3.6          1.4         0.2

删除行

data2.drop(0)     SepalLength  SepalWidth  PetalLength  PetalWidth1            4.9         3.0          1.4         0.22            4.7         3.2          1.3         0.23            4.6         3.1          1.5         0.2……

简单对数据进行统计分析

print(data.describe())       SepalLength  SepalWidth  PetalLength  PetalWidthcount   150.000000  150.000000   150.000000  150.000000mean      5.843333    3.054000     3.758667    1.198667std       0.828066    0.433594     1.764420    0.763161min       4.300000    2.000000     1.000000    0.10000025%       5.100000    2.800000     1.600000    0.30000050%       5.800000    3.000000     4.350000    1.30000075%       6.400000    3.300000     5.100000    1.800000max       7.900000    4.400000     6.900000    2.500000

根据第一列升序排序

data.sort_values(by='SepalLength',ascending=True)

第一列中大于第一列均值的所有行数据

data[data["SepalLength"]>data["SepalLength"].mean()]

替换一个位置的元素为空值nan

data.loc[0,"PetalWidth"]=np.nandata.head()   SepalLength  SepalWidth  PetalLength  PetalWidth         Name0          5.1         3.5          1.4         NaN  Iris-setosa1          4.9         3.0          1.4         0.2  Iris-setosa2          4.7         3.2          1.3         0.2  Iris-setosa3          4.6         3.1          1.5         0.2  Iris-setosa4          5.0         3.6          1.4         0.2  Iris-setosa

删除包含有na的行

data.dropna()

删除包含有na的列

data.dropna(axis=1)

0替换na值

data.fillna(0)

生成新的一列

data=data.copy()data["SepalSum"]=data["SepalLength"]+data["SepalWidth"]

改变一列数据的类型(浮点数转为整数)

data["SepalSum"]=data["SepalSum"].astype(int)

完

今天的简单介绍就到这里，如果有想学习Pandas用法的朋友请继续关注我们。下一期将为大家进一步介绍Pandas的用法，希望大家多多支持！

赶快来分享关注吖